Stochastische Geometrie und ihre Anwendungen Thema: Faserprozesse
|
|
- Paula Gehrig
- vor 5 Jahren
- Abrufe
Transkript
1 Stochastische Geometrie und ihre Anwendungen Thema: Faserprozesse Universität Ulm Degang Kong
2 Inhaltsverzeichnis 1. Ungerichtete Linienprozesse als Faserprozesse. Planare Faserprozesse.1 Grundlagen. Schnittpunktprozesse.3 Schätzung der Richtungsrose
3 . Planare Faserprozesse Beispiel: Poisson Geraden-Mosaik (PGM) 3
4 . Planare Faserprozesse { l1, l, l3,...} Sei eine Familie von Geraden im Dann ist das Maß gegeben durch ( B) h1 ( l B) l wobei - B ( ) - ist das 1-dimensionale Hausdorff Maß h 1 4
5 . Planare Faserprozesse Beispiel: - X { X1, X,...} ein stationärer Poisson Prozess auf mit Intensität - M U(0, ), i i Markierter PP ( X1, M1),( X, M)... x 1 x m 1 x 3 m m3 5
6 . Planare Faserprozesse Definition: Das gewichtete zufällige Maß ( BL) h( B l) l, ( l) L 1 wobei - () l (0, ] ist die Richtung von - ( ), B L (0, ] l 6
7 . Planare Faserprozesse Definition: L A Intensität von : für stationär gilt L ( ) ( ( )) Av B E B für alle B ( ) Intensitätsmaß von : v LA wobei - ist ein Wahrscheinlichkeitsmaß auf (0, ], heißt the rose of directions oder Richtungsrose 7
8 . Planare Faserprozesse Definition: L A Intensität von : für stationär gilt L ( ) ( ( )) Av B E B für alle B ( ) Intensitätsmaß von : v LA wobei - ist ein Wahrscheinlichkeitsmaß auf (0, ], heißt the rose of directions oder Richtungsrose 8
9 Inhaltsverzeichnis. Planare Faserprozesse.1 Grundlagen Fasern und Fasersysteme Faserprozess. Schnittpunktprozesse.3 Schätzung der Richtungsrose 9
10 . Planare Faserprozesse.1 Grundlagen Fasern und Fasersysteme Definition: Faser ist das Bild der Kurve () t ( 1(), t ()) t mit den Eigenschaften: :[0,1] ist einmal stetig differenzierbar '( t) '() 1 t '() t 0, t[0,1] ist injektiv kann auch als Maß gesehen werden: B 1 ( B) h( B) ( ( t)) ( '( t)) ( '( t)) dt für B ( ) 10
11 . Planare Faserprozesse.1 Grundlagen Fasern und Fasersysteme Definition: Faser ist das Bild der Kurve () t ( 1(), t ()) t mit den Eigenschaften: :[0,1] ist einmal stetig differenzierbar '( t) '() 1 t '() t 0, t[0,1] ist injektiv kann auch als Maß gesehen werden: B 1 ( B) h( B) ( ( t)) ( '( t)) ( '( t)) dt für B ( ) 11
12 . Planare Faserprozesse.1 Grundlagen Fasern und Fasersysteme Definition: (1) () Fasersystem {,,...} ist eine abgeschlossene Menge auf, lokal endlich () i ( j) mit ((0,1)) ((0,1)) falls i j ( B) das entsprechende Längemaß : () i ( B) ( B) ( i ) für B ( ) 1
13 . Planare Faserprozesse.1 Grundlagen Faserprozess Definition: Ein (planarer) Faserprozess : ist eine Zufallsvariable, d.h. eine messbare Abbildung vom Wahrscheinlichkeitsraum [,, P] nach[, ] wobei - ist die Familie von allen Fasersystemen im - ist die von den Mengen { : ( B) x} BB( ) kompakt, x erzeugte - Algebra ( B) bezeichnet auch das Längemaß ( B) h( B) für 1 B ( ) 13
14 . Planare Faserprozesse.1 Grundlagen Faserprozess Definition: Ein (planarer) Faserprozess : ist eine Zufallsvariable, d.h. eine messbare Abbildung vom Wahrscheinlichkeitsraum [,, P] nach[, ] wobei - ist die Familie von allen Fasersystemen im - ist die von den Mengen { : ( B) x} BB( ) kompakt, x erzeugte - Algebra ( B) bezeichnet auch das Längemaß ( B) h( B) für 1 B ( ) 14
15 . Planare Faserprozesse.1 Grundlagen Faserprozess Definition: Stationarität und Isotropie stationär, falls der verschobene Faserprozess die gleiche Verteilung wie besitzt, d.h. x wobei P( Y) P( Y x ) Y x { : Y} x für alle Y und alle x isotrop, falls sich die Verteilung nach der Drehung um den Ursprung nicht ändert 15
16 . Planare Faserprozesse.1 Grundlagen Faserprozess Definition: Intensität Intensitätsmaß: ( B) E( (B))=E h1( B) für B ( ) falls der Prozess stationär ist, dann gilt L v A 16
17 . Planare Faserprozesse.1 Grundlagen Faserprozess Definition: Gewichtetes zufälliges Maß mit ( BL) 1 L( w( x)) ( dx) B : ( ) ((0, ]) [0, ) für B L ( ), ((0, ]) wobei - wx ( ) (0, ] ist die Tangentenrichtung in x - ( BL) ist die Länge aller Fasern in B mit Richtung in L 17
18 . Planare Faserprozesse.1 Grundlagen Faserprozess () x (1) x () w( x ) (1) wx ( ) x1 Achse Tangentenrichtung wx ( ) 18
19 . Planare Faserprozesse.1 Grundlagen Faserprozess Intensitätsmaß von ( BL) E( ( BL)) für Falls stationär ist, dann gilt wobei ist die Richtungsrose, wird als Verteilung der Tangentenrichtung in einem typischen Punkt einer Faser bezeichnet. Bew. ( BL) L v ( B) ( L) A für B L ( ), ((0, ]) B L ( ), ((0, ]) 19
20 . Planare Faserprozesse.1 Grundlagen Faserprozess Intensitätsmaß von ( BL) E( ( BL)) für Falls stationär ist, dann gilt wobei ist die Richtungsrose, wird als Verteilung der Tangentenrichtung in einem typischen Punkt einer Faser bezeichnet. Bew. ( BL) L v ( B) ( L) A für B L ( ), ((0, ]) B L ( ), ((0, ]) 0
21 Inhaltsverzeichnis. Planare Faserprozesse.1 Grundlagen. Schnittpunktprozesse Schnitt mit Geraden Schnitt mit Fasersystemen.3 Schätzung der Richtungsrose 1
22 . Planare Faserprozesse. Schnittpunktprozesse mit Linien Sei ein stationärer Faserprozess mit Verteilung Intensität P L A Richtungsrose, mit ({ }) 1 eine feste vorgegebene Gerade e (hier: x1 Achse )
23 . Planare Faserprozesse. Schnittpunktprozesse mit Linien Sei {[ yn; w( yn)]} ein markierter Punktprozess, wobei alle Punkte yn e mit dem Schnittwinkel zur x1-achse wy ( n ) markiert sind. y y 1 y3 y4 y5 x1 Achse 3
24 . Planare Faserprozesse. Schnittpunktprozesse mit Linien Seien PL die Intensität des stationären Prozesses und H die Markenverteilung auf (0, ] dann gilt: P h(, z) H( d) dz L h(, z)sin ( d) dz L (0, ] A (0, ] wobei eine nicht-negative und messbare Funktion auf ist Bew. h (0, ] 4
25 . Planare Faserprozesse. Schnittpunktprozesse mit Linien Folgerung: für alle (0, ] gilt PH((0, ]) L sin ( d) L A (0, ] somit ist die Verteilungsfunktion F H ( ) H((0, ]) (0, ] (0, ] sin ( d) sin ( d) Bew. 5
26 . Planare Faserprozesse. Schnittpunktprozesse mit Fasersystem Sei ein stationärer Faserprozess mit Intensität L A Richtungsrose einem vorgegebenen nicht-zufälligen planaren Fasersystem mit der gesamten Länge L Hier wird der Schnittpunktprozess diskutiert. 6
27 . Planare Faserprozesse. Schnittpunktprozesse mit Fasersystem Die Winkelverteilung ist ein Maß auf (0, ],mit ( A) 1 für wobei w ( x) ist der Winkel der Fasertangenten von x Die gesamte Länge ( ) der Projektion von der Richtung h({ x : w ( x) A}) L L L ( ) #{ ( l y)} dy l A B((0, ]) wobei - l l ist eine Gerade mit Richtung und ist die Senkrechte zu l 7
28 . Planare Faserprozesse. Schnittpunktprozesse mit Fasersystem Die Winkelverteilung ist ein Maß auf (0, ],mit ( A) 1 für wobei w ( x) ist der Winkel der Fasertangenten von x Die gesamte Länge ( ) der Projektion von der Richtung h({ x : w ( x) A}) L L L ( ) #{ ( l y)} dy l A B((0, ]) wobei - l l ist eine Gerade mit Richtung und ist die Senkrechte zu l 8
29 . Planare Faserprozesse. Schnittpunktprozesse mit Fasersystem Beispiel: Falls ein Kreis mit Radius R ist, dann ist gleich verteilt auf (0, ] mit L ( ) L/ 9
30 Inhaltsverzeichnis. Planare Faserprozesse.1 Grundlagen. Schnittpunktprozesse.3 Schätzung der Richtungsrose 30
31 . Planare Faserprozesse.3 Schätzung der Richtungsrose Definition: Schnittpunktrose P () L mit der Dichte f P ( L ) Intensität des Punktprozesses der Schnittpunkte von mit einer Geraden mit Winkel zu e es gilt: P L ( ) L F ( ) A wobei - F ( ) sin( ) ( d) (0, ] 31
32 . Planare Faserprozesse.3 Schätzung der Richtungsrose Beispiel: i (1 i), i 0,1,,3 4 Anzahl der Schnittpunkte 3, 7, 7, 6 3
33 . Planare Faserprozesse.3 Schätzung der Richtungsrose Falls eine stetige Dichte besitzt, gilt für die Verteilung: Durch ableiten erhält man f 0 F ( ) f ( ) d ((0, ]) d P ( ) ( ) ( ) L PL LAf d 33
34 . Planare Faserprozesse.3 Schätzung der Richtungsrose Schätzer: F P d 1 dpl( ) ( ) L ( ) für 0 L d 0 P A ( ) ( ) #{ T W} L wobei - ( ) h, W- Beobachtungsfenster 1( T W) ( ) (kompakt), mit ein Testsystem von Linien mit dem Winkel zur x -Achse T 1 34
35 Literatur: [1]. D.Stoyan, W.S.Kendall, J.Mecke(1995) Stochastic Geometry and its Applications. J. Wiley & Sons, Chichester []. Prof. Dr. Volker Schmidt, Räumliche Statistik. Vorlesungsskript, WS 007/08, Universität Ulm [3]. V.Benes, J.Rataj (004), Stochastic Geometry: Selected Topics. Kluwer Academic, New York 35
36 Vielen Dank für Ihre Aufmerksamkeit! 36
Seminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose
Seminar stochastische Geometrie 25. Januar 2010 Contents 1 2 3 4 5 Definitionen Faser: glatte Kurve endlicher Länge in der Ebene Faser γ ist das Bild der Kurve γ(t) = (γ 1 (t), γ 2 (t)) mit (i) γ : [0,
MehrAllgemeine Punktprozesse
Allgemeine Punktprozesse Michael Auchter 17. Mai 2010 Seite 2 Allgemeine Punktprozesse 17. Mai 2010 Inhaltsverzeichnis Definitionen Definition von Punktprozessen Das Intensitätsmaß Stationarität, Isotropie
MehrMarkierte Punktprozesse und zufällige Tesselationen
und zufällige Tesselationen Seminar stochastische Geometrie und ihre Anwendungen 7. Dezember 2009 und zufällige Tesselationen Gliederung 1 2 3 und zufällige Tesselationen Gliederung 1 2 3 und zufällige
MehrDas Boolesche Modell. Olaf Wied. November 30, 2009
November 30, 2009 Inhalt 1. Einführung und Definition 2. Eigenschaften 3. Modell mit konvexen Körnern 4. Statistiken und Anwendung in R Keim - Korn Modell Punkte im R d um jeden Punkt: beliebige, kompakte
MehrAlois Fichtl, Julius Vogelbacher 10. Juni Voronoi und Johnson-Mehl Mosaike
Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Voronoi und Johnson-Mehl Mosaike Seite 2 Voronoi- und Johnson-Mehl-Mosaike Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Inhaltsverzeichnis Einführung Mosaike
MehrDas Boolesche Modell
mit konvexen Körnern 3.12.2009 mit konvexen Körnern Ziele des heutigen Seminars: ist sehr anwendungsbezogen. Daher ist unser Ziel, am Ende die folgenden statistischen Fragen zu beantworten: Wann ist das
MehrInhalt. Einführung. Deterministische Mosaike. Zufällige Mosaike. Mathematische Analyse. Statistik. Schluss
Zufällige Mosaike: Eine Einführung Zhanlong Tao, Tobias Krejci 27.05.2008 Seite 2 Zufällige Mosaike 27.05.2008 Zhanlong Tao, Tobias Krejci Einführung Inhalt Einführung Deterministische Mosaike Zufällige
MehrJurij-Andrei Reichenecker 21. Juni Tessellationen
Jurij-Andrei Reichenecker 21. Juni 2010 Tessellationen Seite 2 Tessellationen 21. Juni 2010 Jurij-Andrei Reichenecker Inhalt Einführung Voronoi Tessellation Algorithmus zur Erstellung von Voronoi Tessellationen
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrZufällige Tessellationen II: komplexere Modelle
Zufällige Tessellationen II: komplexere Modelle Seminar: Stochastische Geometrie und ihre Anwendungen Benjamin Lang Universität Ulm 15. Januar 2010 Ziel: Warum braucht man komplexere Modelle? angemessenes
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrOptimales Routing. Paul Kunze
Optimales Routing Paul Kunze 10.07.2015 Grundlagen Grundlagen endliche Menge an Punkten Φ = {x i } aus R 2 hier: gebildet durch Poisson-Punktprozess A = A D : Route zum Ziel D Φ. Abbildung auf einem Graphen
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrStatistische Methoden für planare Punktfelder
Statistische Methoden für planare Punktfelder Franz Király Universität Ulm Seminar Simulation und Bildanalyse mit Java 27. Januar 2004 Gliederung 1. Einführung und Grundlagen 2. Intensitätsschätzung Intensität
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrVerschiedene stochastische Prozesse. Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik
Verschiedene stochastische Prozesse Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik Seite 2 Verschiedene stochastische Prozesse Ann-Kathrin Rüger 27. Mai 2013 Inhalt Stochastische Prozesse Grenzüberschreitende
Mehr7 Poisson-Punktprozesse
Poisson-Punktprozesse sind natürliche Modelle für zufällige Konfigurationen von Punkten im Raum Wie der Name sagt, spielt die Poisson-Verteilung eine entscheidende Rolle Wir werden also mit der Definition
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrSeminarvortrag Schnitte von Fraktalen
Seminarvortrag Schnitte von Fraktalen Matthias Schmid matthias.schmid@uni-ulm.de Universität Ulm 9. Februar 2007 Inhaltsverzeichnis 1 Einleitung 2 1.1 Einordnung................................... 2 1.2
MehrZufällige Tessellationen II :
Zufällige Tessellationen II : David Neuhäuser Seminar: "Stochastische Geometrie und ihre Anwendungen" Universität Ulm 11.01.2010 Wiederholung Inhalt 1 Wiederholung Tessellation Zufällige Tessellation k-facetten
MehrMarkierte Punktprozesse und abstrakte kollektive Modelle
Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Markierte Punktprozesse und abstrakte kollektive Modelle Anke Todtermuschke 21. Oktober 2011 Gliederung 1 Modellierung einer Folge
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
Mehr8 Beispiele von Koordinatentransformationen
8 Beispiele von Koordinatentransformationen Wir diskutieren nun diejenigen Koordinatentransformationen, die in der Praxis wirklich gebraucht werden (ebene und räumliche Polarkoordinaten sowie Zylinderkoordinaten).
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrTopologische Räume und stetige Abbildungen
TU Dortmund Mathematik Fakultät Proseminar Lineare Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Julia Schmidt Dozent: Prof. Dr. L. Schwachhöfer Datum: 29.11.2013 Inhaltsverzeichnis
MehrKapitel 2 Grundbegriffe der allgemeinen Theorie stochastischer Prozesse
Kapitel 2 Grundbegriffe der allgemeinen Theorie stochastischer Prozesse 2.1 Definitionen stochastische Prozesse 2.1 Definitionen stochastische Prozesse 2.1.1 Klassische Definition: als Familien von Zufallsvariablen
MehrLineare Transformationen und Determinanten. 10-E Ma 1 Lubov Vassilevskaya
Lineare Transformationen und Determinanten 10-E Ma 1 Lubov Vassilevskaya Lineare Transformation cc Definition: V und W sind zwei Vektorräume. Eine Funktion T nennt man eine lineare Transformation von V
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrExtrapolation und Interpolation von räumlichen Mustern
Extrapolation und Interpolation von räumlichen Mustern 01. Juli 2008 Inhaltsverzeichnis 1 Interpolation Extrapolation Beispiel: Mammutbaumsetzlinge 2 Grundlagen Keim-Korn- Clusterprozesse Cox-Clusterprozess
MehrWahrscheinlichkeitsrechnung
i Dominique Foata Aime Fuchs Wahrscheinlichkeitsrechnung Aus dem Französischen von Volker Strehl Birkhäuser Verlag Basel Boston Berlin INHALTSVERZEICHNIS Vorwort zur deutschen Ausgabe Liste der benutzten
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrKlausurenkurs zum Staatsexamen (WS 2014/15): Differential und Integralrechnung 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 204/5): Differential und Integralrechnung 6 6. (Frühjahr 2009, Thema, Aufgabe 3) Sei r > 0. Berechnen Sie die Punkte auf der Parabel y = x 2 mit dem
MehrStatistik für Punktprozesse. Seminar Stochastische Geometrie und ihre Anwendungen WS 2009/2010
Statistik für Punktprozesse Seminar Stochastische Geometrie und ihre Anwendungen WS 009/00 Inhalt I. Fragestellung / Problematik II. Ansätze für a) die Schätzung der Intensität b) ein Testverfahren auf
MehrTransformation mehrdimensionaler Integrale
Transformation mehrdimensionaler Integrale Für eine bijektive, stetig differenzierbare Transformation g eines regulären Bereiches U R n mit det g (x), x U, gilt für stetige Funktionen f : f g det g du
MehrSeminar in Statistik - FS Nonparametric Bayes. Handout verfasst von. Ivo Francioni und Philippe Muller
Seminar in Statistik - FS 2008 Nonparametric Bayes Handout verfasst von Ivo Francioni und Philippe Muller Zürich, 17. März 2008 1 EINLEITUNG 1 1 Einleitung Bis jetzt haben wir in der Bayes schen Statistik
MehrSchnitte von Fraktalen
Inhalt Eingliederung Vorwort matthias.schmid@uni-ulm.de 12. Dezember 2006 Inhalt Eingliederung Vorwort 1 Einleitung Inhalt Eingliederung Vorwort 2 Bewegung Isometrie Maße von Bewegungen 3 Satz 1 Bild eines
MehrBayesian analysis of spatial point processes in the neighbourhood of Voronoi. networks
Bayesian analysis of spatial point processes in the neighbourhood of Voronoi networks Judith Schmidt und Bettina Hund 02 Juli 2008 Seminar: Stochastische Geometrie und ihre Anwendungen - Zufa llige Netzwerke
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
Mehr1.1 Bestimmen Sie diejenigen Werte von a, für die f a mehr als eine Nullstelle hat. (3 P)
Schriftliche Abiturprüfung 215 HMF 1 - Analysis (Pool 1) Für jeden Wert von a (a R,a ) ist eine Funktion f a durch f a (x) = a x 6 x 4 (x R) gegeben. 1.1 Bestimmen Sie diejenigen Werte von a, für die f
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrBrownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrElementare Stochastik
Mathematik Primarstufe und Sekundarstufe I + II Elementare Stochastik Mathematische Grundlagen und didaktische Konzepte Bearbeitet von Herbert Kütting, Martin J. Sauer, Friedhelm Padberg 3. Aufl. 2011.
MehrEinführung in die Wahrscheinlichkeitstheorie
Ulrich Krengel Einführung in die Wahrscheinlichkeitstheorie und Statistik 8., erweiterte Auflage vieweg vn Inhaltsverzeichnis Kapitel I Diskrete Wahrscheinlichkeitsräume 1 1 Modelle für Zufallsexperimente,
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrKapitel XI - Die n-fache unabhängige Wiederholung eines Experiments
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Die n-fache unabhängige Wiederholung eines Experiments Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
1/19 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.3 Bedingte Wahrscheinlichkeiten, Unabhängigkeit, gemeinsame Verteilung 1.3.4 Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo18/
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
Mehrx(t) := 1 k definierte Funktion. (a) Berechnen Sie ẋ(t) und ẍ(t). (b) Zeigen Sie, daß die Funktion x = x(t) eine Lösung der Differentialgleichung
Übungen (Aufg. u. Lösungen) zu Mathem. u. Lin. Algebra II SS 26 Blatt 7 3.5.26 Aufgabe 33: Die Funktion f : R R sei stetig. Betrachten Sie die durch x(t) : 1 k f(u) sin (k(t u)) du definierte Funktion.
MehrZylinderkoordinaten 1 E1. Ma 2 Lubov Vassilevskaya
Zylinderkoordinaten E E E3 Berechnung in beliebigen krummlinigen Koordinaten Die Koordinaten sind durch die Beziehungen definiert: x x u, v, w, y y u, v, w, z z u, v, w Für sie sollen stetige partielle
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrIntegralgeometrie und Stereologie
Integralgeometrie und Stereologie Hans Friedrich April 2010 1/ 31 Integralgeometrie und Stereologie Hans Friedrich April 2010 Übersicht Grundlagen aus der Integralgeometrie Übergang zur Stereologie Stereologie
MehrL 2 -Theorie und Plancherel-Theorem
L -Theorie und Plancherel-Theorem Seminar Grundideen der Harmonischen Analysis bei Porf Dr Michael Struwe HS 007 Vortrag von Manuela Dübendorfer 1 Wiederholung aus der L 1 -Theorie Um die Fourier-Transformation
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrEine Einführung in die Differentialgeometrie
Eine Einführung in die Differentialgeometrie Nach einer Vorlesung von Prof. Helga Baum 1 Getippt haben Luise Fehlinger und Carsten Falk 4. Mai 2006 1 Der Inhalt dieses Skriptes beruht auf den Vorlesungen
MehrDas Black-Scholes Modell
Vathani Arumugathas Das Black-Scholes Modell 1 Das Black-Scholes Modell Vathani Arumugathas Seminar zu Finanzmarktmodellen in der Lebensversicherung, Universität zu Köln 10. Juni 016 Inhaltsverzeichnis
MehrÜbungen mit dem Applet Kurven in Polarkoordinaten
Kurven in Polarkoordinaten 1 Übungen mit dem Applet Kurven in Polarkoordinaten 1 Ziele des Applets...2 2 Wie entsteht eine Kurve in Polarkoordinaten?...3 3 Kurvenverlauf für ausgewählte r(ϕ)...4 3.1 r
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
Mehr11.3. Variablentrennung, Ähnlichkeit und Trajektorien
3 Variablentrennung, Ähnlichkeit und Trajektorien Trennung der Veränderlichen (TdV) Es seien zwei stetige Funktionen a (der Variablen ) und b (der Variablen ) gegeben Die Dgl a( ) b( ) b( ) d d läßt sich
Mehr3 Produktmaße und Unabhängigkeit
3 Produktmaße und Unabhängigkeit 3.1 Der allgemeine Fall Im Folgenden sei I eine beliebige Indexmenge. i I sei (Ω i, A i ein messbarer Raum. Weiter sei Ω : i I Ω i ein neuer Ergebnisraum. Wir definieren
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
MehrMathematik für Sicherheitsingenieure I B
Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 3.3.8 Dr. T. Pawlaschyk Mathematik für Sicherheitsingenieure I B Aufgabe. (5+8+7 Punkte a Geben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist.
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrNachklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 18.9.17 Fakultät 4 - Mathematik und Naturwissenschaften Prof. N. V. Shcherbina Dr. T. P. Pawlaschyk www.kana.uni-wuppertal.de Nachklausur zur Analysis 2, SoSe 217 Aufgabe
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
MehrMessbare Vektorräume
Messbare Vektorräume Hans-Jörg Starkloff TU Bergakademie Freiberg Westsächsische Hochschule Zwickau Dezember 2010 / Januar 2011 Hans-Jörg Starkloff Messbare Vektorräume 1 1. Definition Geg. X linearer
MehrZeitstetige Markov-Prozesse: Einführung und Beispiele
Zeitstetige Markov-Prozesse: Einführung und Beispiele Simone Wielart 08.12.10 Inhalt Q-Matrizen und ihre Exponentiale Inhalt Q-Matrizen und ihre Exponentiale Zeitstetige stochastische Prozesse Inhalt Q-Matrizen
MehrMathematik für Sicherheitsingenieure I B (BScS 2011)
Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 5.9.7 Mathematik für Sicherheitsingenieure I B (BScS Aufgabe. (5+8+7 Punkte a eben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist. Eine Begründung
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrKlausurenkurs zum Staatsexamen (SS 2015): Differential und Integralrechnung 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Differential und Integralrechnung 6 6. (Frühjahr 2009, Thema, Aufgabe 3) Sei r > 0. Berechnen Sie die Punkte auf der Parabel y = x 2 mit dem
MehrDifferentialgeometrie II (Flächentheorie) WS
Differentialgeometrie II (Flächentheorie) WS 2013-2014 Lektion 9 18. Dezember 2013 c Daria Apushkinskaya 2013 () Flächentheorie: Lektion 9 18. Dezember 2013 1 / 17 9. Einführung in der innere Geometrie
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrProseminar: Konvexe Mengen
Proseminar: Konvexe Mengen Varianten vom Satz von Kirchberger Trennung von Mengen mit einer Kugeloberfläche Trennung von Mengen mit Zylindern Jens Siewert Vortrag vom 14.12.04 und 04.01.05 1 Varianten
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
Mehr